人脸识别与摄像头的主要影响因素有哪些？

人脸识别（Face）是根据人的面部特征（如统计或几何特征等）自动进行身份识别的生物识别技术，又称人脸识别、肖像识别、外貌识别、人脸识别、人脸识别等通常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。

人脸识别是利用摄像头或摄像头采集包含人脸的图像或视频流，并自动检测并跟踪图像中的人脸，然后对检测到的人脸图像进行一系列相关的应用操作。

从技术上讲，它包括图像采集、特征定位、身份确认和搜索等。特征定位是从照片中提取面部特征，如眉毛高度、嘴角等，然后通过特征比对输出结果。

人脸识别的主要流程

人脸检测是所有人脸研究的先决步骤。 它的性能直接影响整个人脸图像应用系统的性能，因此是非常关键的一步。

其任务是首先对摄像头输入的图像进行分割，即将整个图像分为两部分：一部分是人脸区域，另一部分是非人脸区域，然后进一步获取人脸信息和分析面部的行为。 描述并完成人脸识别的分析和理解。

1 人脸采集

通过摄像头镜头采集不同的人脸图像，如静态图像、动态图像、不同位置、不同表情等。当采集对象在设备拍摄范围内时，采集设备会自动搜索并捕捉人脸图像。

人脸采集的主要影响因素：

图片大小：人脸图片太小会影响识别效果，人脸图片太大会影响识别速度。 非专业人脸识别摄像头识别人脸通常要求的最低像素为6060或以上。 在指定的图像尺寸内，算法更容易提高准确率和召回率。 图像尺寸反映了实际应用场景中人脸与摄像头之间的距离。

图像分辨率：较低的图像分辨率更难以识别。 图像大小与图像分辨率相结合，直接影响相机识别距离。 目前4K摄像机清晰看清人脸的最大距离为10米，7K摄像机清晰看清人脸的最大距离为20米。

光照环境：过度曝光或太暗的光照环境都会影响人脸识别效果。 您可以使用相机内置功能补光或滤光来平衡光照效果，也可以使用算法模型来优化图像光线。

不同遮挡下的人脸识别：

遮挡是指正面人脸图像中存在眼镜、头发、围巾或其他配饰。过去几年，人们主要致力于可控设置下的人脸识别； 但光照、表情、部分遮挡等不可控环境下的识别是需要考虑的问题

2 人脸检测

准确标定图像中人脸的位置和大小，挑出有用的信息（如直方图特征、颜色特征、模板特征、结构特征、Haar特征等），然后利用这些信息达到人脸检测的目的：常用的是人脸关键点检测，即自动估计人脸图片上人脸特征点的坐标。

主流方法：

根据检测到的特征，使用学习算法（一种用于分类的方法，将弱分类方法结合起来形成新的强分类方法）来选择一些最能代表人脸的矩形特征。 （弱分类器），根据加权投票的方法将弱分类器构造成强分类器，然后将训练得到的几个强分类器串联起来，形成级联结构级联分类器，有效提高了分类器的检测速度。 。

viola-jones框架（总体性能不错，速度可以接受，适合移动和嵌入式使用），dpm（速度较慢），cnn（性能不错）。

准确标定图像中人脸的位置和大小，挑出有用的信息（如直方图特征、颜色特征、模板特征、结构特征、Haar特征等），然后利用这些信息达到人脸检测的目的：常用的是人脸关键点检测，即自动估计人脸图片上人脸特征点的坐标。